import gradio as gr
import tensorflow as tf
from transformers import pipeline
import os

# Cargar tus modelos de clasificación (asumiendo que están en la raíz del proyecto)
try:
    model_transformer_encoder = tf.keras.models.load_model('stacked_transformer_encoder.keras')
    model_transformer_positional_encoding = tf.keras.models.load_model('transformer_encoder_pos.keras')
    model_simple_rnn = tf.keras.models.load_model('model_simple_rnn.keras')
    model_lstm = tf.keras.models.load_model('model_lstm.keras')
    print("Modelos de clasificación cargados correctamente.")
except Exception as e:
    print(f"Error al cargar los modelos de clasificación: {e}")
    model_transformer_encoder = None
    model_transformer_positional_encoding = None
    model_simple_rnn = None
    model_lstm = None

# Cargar el pipeline de traducción de Hugging Face (inglés a español)
try:
    translator_en_es = pipeline("translation", model="Helsinki-NLP/opus-mt-en-es")
except Exception as e:
    print(f"Error al cargar el modelo de traducción (inglés a español): {e}")
    translator_en_es = None

def clasificar_noticia(texto, modelo_seleccionado):
    """Función para clasificar el texto usando el modelo seleccionado."""
    modelo_a_usar = None
    if modelo_seleccionado == "Transformer Encoder Apilado" and model_transformer_encoder is not None:
        modelo_a_usar = model_transformer_encoder
    elif modelo_seleccionado == "Transformer Positional Encoding" and model_transformer_positional_encoding is not None:
        modelo_a_usar = model_transformer_positional_encoding
    elif modelo_seleccionado == "Simple RNN" and model_simple_rnn is not None:
        modelo_a_usar = model_simple_rnn
    elif modelo_seleccionado == "LSTM" and model_lstm is not None:
        modelo_a_usar = model_lstm

    if modelo_a_usar:
        # *** IMPORTANTE: Implementa aquí la lógica de preprocesamiento del texto ***
        # para que coincida con la entrada esperada por el modelo.
        # Esto incluye tokenización, padding, etc.
        prediction = modelo_a_usar.predict([texto])
        # *** IMPORTANTE: Interpreta la salida del modelo para obtener la clase predicha. ***
        # Esto dependerá de cómo entrenaste tu modelo.
        return f"Clase predicha ({modelo_seleccionado}): {prediction}"
    else:
        return f"El modelo '{modelo_seleccionado}' no está disponible."

def traducir_texto_en_es(texto_en):
    """Función para traducir texto de inglés a español."""
    if translator_en_es:
        result = translator_en_es(texto_en)[0]['translation_text']
        return result
    else:
        return "El modelo de traducción (inglés a español) no está disponible."

def main():
    with gr.Blocks() as demo:
        gr.Markdown("# Aplicación de Clasificación y Traducción")

        input_texto_clasificacion = gr.Textbox(label="Ingresa la noticia aquí:")
        modelo_seleccion = gr.Dropdown(
            ["Transformer Encoder Apilado", "Transformer Positional Encoding", "Simple RNN", "LSTM"],
            label="Selecciona el modelo:"
        )
        output_clasificacion = gr.Textbox(label="Resultado de la clasificación:")
        boton_clasificar = gr.Button("Clasificar")

        input_texto_traduccion = gr.Textbox(label="Ingresa el texto en inglés:")
        output_traduccion = gr.Textbox(label="Texto traducido al español:")
        boton_traducir = gr.Button("Traducir")

        with gr.TabbedInterface(
            [
                gr.Column(
                    [
                        gr.Markdown("## Clasificación de Noticias"),
                        input_texto_clasificacion,
                        modelo_seleccion,
                        boton_clasificar,
                        output_clasificacion,
                    ],
                    label="Clasificación de Noticias"
                ),
                gr.Column(
                    [
                        gr.Markdown("## Traducción de Inglés a Español"),
                        input_texto_traduccion,
                        boton_traducir,
                        output_traduccion,
                    ],
                    label="Traducción (Inglés a Español)"
                ),
            ]
        )

        boton_clasificar.click(fn=clasificar_noticia, inputs=[input_texto_clasificacion, modelo_seleccion], outputs=output_clasificacion)
        boton_traducir.click(fn=traducir_texto_en_es, inputs=[input_texto_traduccion], outputs=output_traduccion)

    demo.launch()

if __name__ == "__main__":
    main()